Prediction Machines

Publisert

Forfattere
📝 Ajay Agrawal
📝 Joshua Gans
📝 Avi Goldfarb

Få produkter har rukket å påvirke verden så massivt som ChatGPT på så kort tid. Det tok bare 2 måneder å skaffe 100 millioner brukere. Til sammenligning tok det vekstrakettene WhatsApp 3.5 år, og Facebook 4.5 år å nå det enorme volumet!

Prediction Machines er skrevet av økonomer med en veldig edruelig holdning til ny teknologi, og jeg har lyst til å dele mine 8 største “takeaways” herfra:


Oppsummering av Prediction Machines

💡 Det å se på teknologiske fremskritt som et skifte fra dyrt til billig og fra lite til mye er veldig verdifullt for å visualisere hvordan det vil påvirke samfunnet rundt deg.

💡 Det vi i dag kaller “AI” handler om prediksjon, ikke intelligens. En veldig vesentlig forskjell.

💡 Mennesker er ræva på prediksjon og har veldig mye å hente på bedre prediksjoner.
Eksempel: I en undersøkelse ble helsepersonell spurt om hvilke behandlingsmetoder de ville velge for en pasient. Dersom de ble presentert med en 90% overlevelsesgrad, valgte 94% alternativet. Om de ble presentert med at det var 10% dødelighetsgrad, falt andelen til kun 50%. Samme tall, ulike måter å fremstille informasjonen på. En maskin ville ikke gjort denne feilen.

💡 Datamaskiner kan fremdeles ikke tenke, så kreativ tankekraft er ikke i ferd med å bli billig.

💡 Derimot vil verdien av menneskelig prediksjon falle: Konkurranse fører til lavere priser, og hvis konkurransen til maskinprediksjon er menneskelig arbeidskraft, vil lønnen på disse falle. Flere av dagens høyest lønnede yrker har prediksjon som en grunnleggende ferdighet – for eksempel leger og advokater.

💡 Det mennesker er bedre på enn maskiner, og kommer til å være i overskuelig fremtid, er å gjøre prediksjoner basert på små mengder data. Vi kan f.eks kjenne igjen en person på gaten og huske navnet etter kun å ha sett vedkommende 1 gang, eller kjenne igjen en 20 år gammel klassekamerat, selv om de aller fleste av kjennetrekkene har forandret seg.

💡 Vi er også overlegne på analogier, det å knytte en tidligere erfaring til et nytt område. Det er for eksempel veldig vanskelig å trene en maskin til å predikere hvordan et oppkjøp av en helt ny bedrift vil påvirke din eksisterende eller hvordan implementasjonen av en ny teknologi vil slå ut.

💡 Teknologiske fremskritt gjør oss ikke fattigere. Det øker som regel produktiviteten og skaper mer verdi enn det fjerner. Problemet ligger i distribusjonen av verdien, som har en økende tendens til å hope seg opp hos enkeltpersoner/selskaper.


Publisert